時系列予測のための拡散モデルにおける分解可能な順方向プロセス

TL;DR（結論）

従来の拡散モデルは、データの構造を考慮せず無差別にノイズを付加するため、時系列の重要な季節性やトレンドが早期に破壊される課題がありました。本研究は、信号をスペクトル成分に分解し、振幅の大きさに応じて段階的にノイズを注入する「分解可能な順方向プロセス」を提案し、重要な周波数成分の信号対雑音比を高く維持することを可能にしました。この手法はモデルアグノスティックであり、DiffWaveやCSDIといった既存の多様なモデル構造を変更することなく、計算負荷をほぼ増やさずに長期予測の精度を一貫して向上させ、データの時間的構造を最後まで保持した生成を実現します。

なぜこの問題か

時系列予測は、気象予測、金融市場の分析、電力需要の管理など、現代社会の多岐にわたる意思決定において極めて重要な役割を担っています。古典的な統計手法や自己回帰モデルは、その高い解釈性から長年利用されてきましたが、複雑な非線形動態や階層的な季節構造、そして長期的な依存関係を正確に捉えることには限界がありました。近年、画像生成分野で革新をもたらした拡散モデルが時系列予測にも応用され、他の生成モデルを凌駕する性能を示しています。しかし、既存の時系列拡散モデルには、データの「構造」を扱う上で根本的な欠陥が存在していました。 それは、標準的な拡散モデルの「順方向プロセス」において、信号の構造情報が急速に失われてしまうという点です。時系列データは通常、トレンド、季節性、そして残差という明確な成分に分解できる特性を持っています。しかし、従来のモデルは入力データ全体に対して一律にガウスノイズを注入するため、拡散のステップが進むにつれて、これらの重要な特徴が等しく破壊されてしまいます。…

核心：何を提案したのか

本研究の核心的な提案は、時系列予測のための「分解可能な順方向拡散プロセス（Decomposable Forward Diffusion Process）」です。この手法の最大の特徴は、学習や推論に用いるニューラルネットワークの内部構造を一切変更することなく、拡散モデルの基本動作である「ノイズの加え方」を改良した点にあります。具体的には、信号をフーリエ変換やウェーブレット変換などのスペクトル分解手法を用いて複数の成分に分け、それぞれの成分に対して段階的、かつ戦略的にノイズを注入していきます。 このプロセスでは、各成分の振幅（エネルギー）の大きさを基準として、ノイズ注入の順序を制御します。振幅の小さい残差成分から先にノイズ化し、支配的な周期性を持つ重要な成分を拡散プロセスのより後半まで維持するように設計されています。…

続きはログイン/プランで閲覧できます。